在黄仁勳訪談第二段，他正面回应了 TPU 与 ASIC 对輝达的威脅。他強调 NVIDIA 做的不是單一張 AI 晶片，而是加速运算平台，重点在於整个生態系的整合。正如同美中晶片戰，AI 競賽不是單点勝负，要看的是整个技術棧能否同时壯大。
面对「AI 本质上就是大量矩陣乘法，为什麼不让更專用的 TPU 類架構来主導？」这樣的质疑，黄仁勳的回答是：矩陣乘法很重要，但它不是 AI 的全部。从新 attention 机制、混合式 SSM、diffusion 与 autoregressive 融合，到模型分散式執行与架構革新，AI 的进展往往来自演算法創新，而不只是硬體按摩爾定律往前推。
既然 NVIDIA 手握大量现金，也已透过投资 CoreWeave、Nebius、Nscale，甚至 OpenAI、Anthropic 等方式深度參与 AI 基礎设施与模型層，那它为什麼不乾脆自己下场当雲服務商？黄仁勳的答案仍回到那句話：做必要的最多，非必要的最少。这不屬於「若我們不做，就沒人做」的範疇。
TPU 与 ASIC 不是沒威脅，但 NVIDIA 的戰场更大
針对 Google TPU、AWS Trainium，甚至 OpenAI、Anthropic 与其他大客戶自研或採用替代加速器的趨勢，黄仁勳並未表现出防禦姿態，反而多次把焦点拉回「NVIDIA 做的不是單一張 AI 晶片，而是加速运算平台」。
他強调，NVIDIA 打造的是 accelerated computing，而不是只做 tensor processing。AI 当然是今天最重要的应用之一，但 GPU 与 CUDA 能處理的远不只 AI，还包括分子动力学、量子色动力学、资料處理、流體力学、粒子物理、藥物研发、影像生成与各種科学运算。这让 NVIDIA 的市场觸角天生就比为單一工作负載设计的 ASIC 更廣。
面对「AI 本质上就是大量矩陣乘法，为什麼不让更專用的 TPU 類架構来主導？」这樣的质疑，黄仁勳的回答則是：
矩陣乘法很重要，但它不是 AI 的全部。从新 attention 机制、混合式 SSM、diffusion 与 autoregressive 融合，到模型分散式執行与架構革新，AI 的进展往往来自演算法創新，而不只是硬體按摩爾定律往前推。
他说得非常直接：若只靠晶體管縮放，每年大约也就 25% 左右的提升；但 NVIDIA 从 Hopper 到 Blackwell，能做到 35 倍、甚至 50 倍等級的能效躍升，靠的不是單純製程，而是模型、演算法、網路、記憶體、系统架構与 CUDA 協同设计。
也因此，黄仁勳把 NVIDIA 描述成一家「極端共同设计公司」。它不只是做 GPU，而是同步改动處理器、互连、網路、函式庫、演算法与整个系统。如果沒有 CUDA 这層高度可編程的堆疊，这種大幅度跨層優化就很难实现。
CUDA 的价值：裝机量、信任感与全球通用性
当主持人质疑，既然大客戶如 OpenAI、Anthropic、Google、AWS 都已经会自己寫 kernel、自己做框架優化，CUDA 还有那麼強的護城河嗎？黄仁勳則从三个角度回应。
第一，是生態系的完整与可靠。NVIDIA 可以为 Triton、vLLM、SGLang 等框架提供大量底層支援，让研究者可以建立在一个已经被充分验证的基礎上。对开发者而言，最怕的不是自己寫错，而是根本无法判斷错在自己还是错在底層平台。CUDA 的价值之一，就在於它已经被「反覆跑透」，足夠值得信任。
第二，是龐大裝机量。黄仁勳直言，如果你是框架开发者、模型开发者，最想要的絕对是 install base。你不会想把软體只寫給自己用，而是希望它能跑在盡可能多的机器上。从 A10、A100 到 H100、H200，再到雲端与地端、机器人与工作站，CUDA 幾乎无所不在。这種裝机基礎意味著，一次开发，可以覆蓋全球大量系统。
第三，是跨雲端与跨场景的通用性。黄仁勳指出，NVIDIA 是極少數能同时存在於所有主流雲端与 on-prem 環境的运算平台。对 AI 公司来说，这代表它們不必太早锁定單一雲端服務商，也更容易把产品部署到不同市场与场景中。
換句話说，CUDA 的价值不只是「工具链方便」，而是它結合了生態完整度、全球裝机量与场景通用性，形成一个很难轻易撼动的飞輪。
高毛利不靠软體稅，靠「每瓦 token 产出」与總持有成本
对於外界质疑 NVIDIA 之所以能維持高毛利，很大程度来自 CUDA 壟斷，而未来若更多客戶有能力自行寫 kernel、打造替代软體堆疊，高毛利是否会被侵蝕，黄仁勳的回应極具自信。
他指出，NVIDIA 內部投入到各大 AI 实验室的工程支援人力「多到驚人」，因为 GPU 並不像 CPU 那樣容易駕馭。黄仁勳把 CPU 比喻成 Cadillac，平穩、好开、人人都能上手；而 NVIDIA 的加速器更像 F1 賽车，理論上人人都能开，但真正要把性能壓榨到極限，需要極高專业能力。
NVIDIA 也大量使用 AI 協助自身生成与優化 kernel，因此在与客戶共同调校时，常常能把某个模型或 stack 再提升 50%、2 倍，甚至 3 倍性能。这種優化对擁有大規模 GPU 艦队的客戶而言，幾乎等同於直接翻倍收入。
黄仁勳更进一步主張，NVIDIA 的平台在全世界擁有最佳 performance per TCO，也就是最佳總持有成本效益比。他说，沒有人能真正证明 TPU、Trainium 或其他平台在整體成本与效能上優於 NVIDIA，市场上也缺乏公开、可信、可正面对比的展示。
在他看来，NVIDIA 的成功根本上不是因为客戶被 CUDA 綁住，而是因为它能在相同能源、相同资本支出下，产出最多 token，进一步转化成最多收入。对建设 1GW 級 AI 资料中心的客戶来说，最重要的不是單顆晶片便不便宜，而是整座资料中心能不能产生最大收入。只要 NVIDIA 在 tokens per watt 与 perf per dollar 上仍是全球最佳，高毛利就有其合理性。
为何 NVIDIA 沒自己變成 hyperscaler？
既然 NVIDIA 手握大量现金，也已透过投资 CoreWeave、Nebius、Nscale，甚至 OpenAI、Anthropic 等方式深度參与 AI 基礎设施与模型層，那它为什麼不乾脆自己下场当雲服務商？
黄仁勳的答案仍回到那句話：「做必要的最多，非必要的最少。」
如果 NVIDIA 不去做 CUDA、NVLink、CUDA-X、各類领域函式庫与底層平台，那这些东西很可能根本不会有人做，因此 NVIDIA 必須親自做。但如果是雲端服務，世界上已经有很多，这不屬於「若我們不做，就沒人做」的範疇。
不过，当新型態 AI 雲服務商还很弱小、可能需要幫一把才能起飞时，NVIDIA 願意提供资金、供应与技術支持，幫助这个生態系长出来。也就是说，NVIDIA 願意扶植 ecosystem，但不想親自變成 financier 或 hyperscaler。
至於投资 OpenAI、Anthropic 等模型公司，黄仁勳也承认，这其实是 NVIDIA 近年的学習結果。过去 NVIDIA 並沒有意识到，像 OpenAI、Anthropic 这種基礎模型公司在早期根本无法靠傳统 VC 模式完成所需资本密度。等到他真正理解这一点时，才意识到自己若有机会，本来可以更早下场支持。
他甚至坦言，这算是自己的错誤判斷之一：「当时沒有深刻理解，这些公司若沒有来自大型科技公司或類似等級资本的支援，根本很难成立。」如今 NVIDIA 有了更大的規模，他也说明自己不会再犯同樣错誤。
中国问題，整场对談最尖锐的一段
整场訪談最激烈的攻防，集中在中国与晶片出口限制。主持人的立场是，AI 算力是訓練与部署高风险模型的直接投入品，如果中国獲得更多先进算力，就可能更快打造具備網路攻擊、漏洞挖掘等能力的模型，这会对美国国安与企业安全構成实质风险。
黄仁勳並不否认 AI 具備风险，也不否认美国应該持续保持领先，但他非常反对把 AI 晶片等同於核武材料或「只要多卖一点就会出事」的極端推論。
他的核心論点有幾个。
首先，他认为中国並不是沒有算力的真空地帶。中国擁有龐大能源、晶片製造能力、通訊与網路基礎设施，也擁有全球極大比例的 AI 研究人才。在黄仁勳的敘述裡，中国不是「如果拿不到 NVIDIA 晶片就无法发展 AI」，而是「如果拿不到最好的，就会改用自己的，並且被迫更快建立本土技術棧」。
其次，他认为出口限制的副作用，是迫使中国的开源模型、生態系与晶片产业加速脫离美国技術棧。这在他看来，是美国长期更該擔心的风险。因为 AI 不是只有模型，还包括晶片層、开发工具層、开源生態層、应用層等整个堆疊。若美国为了保護某一層，例如最前沿模型公司，而犧牲掉整个晶片与开发者生態对中国市场的影響力，长期反而可能让美国在全球標準与平台戰中失去位置。
中国是全球第二大科技市场，也是全球最大的开源软體与开源模型貢獻者之一。若美国主动放棄这塊市场，就等於主动把一整个开发者群體推向另一套技術棧。这不只傷害 NVIDIA，也傷害整个美国科技产业与国安。
第三，他反覆強调，世界不是零与无限的極端推演。美国当然应該擁有最多、最好、最早的算力，这点他完全同意；但这不代表美国就应該主动放棄全球第二大市场，或把 AI 描述成某種類似濃縮鈾的絕对武器。对他来说，过度極端的敘事不只无助於政策制定，还可能嚇跑人才、削弱产业信心，最終让美国自己失去競爭優勢。
他甚至把这件事拉回国內产业政策脈絡：「如果美国因恐懼而把 AI 过度武器化，也会连帶让更多人抗拒投入软體、工程与相关领域。」这種恐懼式政策，在他眼裡是一種「输家心態」，而不是领導技術革命的国家該有的姿態。
黄仁勳真正想说的是：「AI 競賽不是單点勝负，要看的是整个技術棧能否同时壯大。」
这篇文章 黄仁勳最新專訪（下）：为什麼輝达不自己做 Hyperscaler？ 最早出现於 链新聞 ABMedia。
